A chaque application sa camera

eviter les problemes des la phase de conception

Dans la partie 1 de cette série, nous avons vu l’importance de la qualité de la lumière pour le résultat final. Dans cette 2e partie, nous nous penchons sur les types de caméra qui sont actuellement disponibles. En effet, là aussi, la technologie ne cesse d'évoluer.

L'importance du capteur

Il existe deux grandes approches. Dans le jargon technique, on parle de caméras à balayage linéaire et de caméras à balayage de zone. Dans l'industrie, c'est cette dernière méthode qui est surtout utilisée, principalement parce que sa technologie est plus accessible. Néanmoins, les caméras à balayage linéaire peuvent donner de meilleurs résultats pour certaines applications, comme le déplacement d'objets sur des convoyeurs. Les deux principes utilisent les mêmes capteurs de traitement d'image: le CCD (charged couple device) et le CMOS (complementary metal oxide semiconductor). En fait, les deux font la même chose: ils convertissent la lumière en électrons. Mais leur manière de procéder est différente. En général, les capteurs CCD créent des images de haute qualité avec peu de bruit. On les retrouve donc dans des applications difficiles requérant par exemple une vitesse élevée ou bien lorsque les conditions de luminosité ne sont pas optimales.

Le CMOS est plus sensible au bruit en raison de la présence de transistors entre les photons de la puce. Ceci dit, cette technologie est devenue très performante ces dernières années. De plus, son prix est également beaucoup plus bas - et il continue de baisser.

Line scan ou area scan?

La différence entre les deux méthodes réside dans la façon dont l'image est construite.

Caméras à balayage linéaire

Avec une caméra à balayage linéaire, le scanner se déplace au-dessus de l'objet, construisant l'image par ligne. Les images sont donc construites selon un modèle linéaire. Cela donne un certain avantage dans le cas d'images de pièces mobiles mais le revers de la médaille est que le système doit toujours être correctement réglé. La fréquence d'image doit être exactement synchrone avec le mouvement de l'objet. Notez que les pièces doivent également rester immobiles pendant leur mouvement linéaire. Si les pièces tournent également sur elles-mêmes (des pommes de terre, par exemple), il faut veiller à ce qu'elles soient fixées quelque part à un moment donné.

Caméras à balayage de zone

Les caméras à balayage de zone ne fonctionnent pas avec une ligne, mais principalement avec un enregistrement en 2D, bien qu'il existe d'autres méthodes (voir ci-dessous). L'image enregistrée est ensuite renouvelée ligne par ligne jusqu'à ce que l'image entière soit couverte. Cette méthode est beaucoup plus accessible mais présente certaines limites. Par exemple, la qualité est moindre avec les objets en mouvement et ils sont limités dans leur FOV (champ de vision). Il est possible d'y remédier avec des logiciels 'stitch' mais cela coûte plus cher. Cette technique permet également de créer des images en 3D via la vision stéréo ou la multi-vue avec plusieurs caméras.

Outre cette technique, on peut également utiliser la technique de la 'sheet of light', à base de laser. Le faisceau laser réfléchi prendra une forme différente selon la hauteur de la pièce. En analysant en permanence cette situation à l'aide d'un logiciel, il est possible de reconstruire une image en 3D. Cette technique est parfois utilisée pour réaliser une version CAO d'un modèle.

Une dernière technique permettant de réaliser un balayage de zone en 3D est celle des caméras ToF (Time of Flight), qui fonctionnent avec un rayonnement proche infrarouge. La durée pendant laquelle les rayons sont en chemin entre l'émission et la réception par le capteur est mesurée en continu. C'est ainsi que l'on construit un modèle 3D. Cette technique est comparable au principe du radar utilisé dans l'industrie. Cela peut être intéressant pour des applications d'emballage, par exemple pour constituer une palette avec diverses pièces de dimensions différentes. La caméra mesure chaque pièce et l'intelligence du logiciel indique à un robot comment placer au mieux la pièce sur une palette.

Theorie vs. Pratique

Celui qui visite les salons d'automatisation a sans doute déjà vu des robots qui ramassent des pièces disposées au hasard et les déposent au bon endroit. Ils travaillent parfaitement, rapidement et plusieurs heures d'affilée. Cela semble être un jeu d'enfant, mais la pratique s'avère un peu moins rose. C'est surtout dû au fait que nous regardons une application de notre point de vue et supposons que le robot - ou le préhenseur - perçoit la réalité de la même manière. Ce n'est pas le cas car la vision artificielle n'est rien d'autre qu'un processus numérique, piloté par un logiciel. La qualité de ce processus repose sur 3 éléments essentiels, qui interagissent dans une sorte de relation triangulaire: la qualité de l'image, la qualité du logiciel et la vitesse de traitement des données.

La qualité de l'image dépend des conditions d'éclairage - nous l'avons vu dans la première partie de cette série - et de la qualité du capteur. Cependant, celui qui parvient à créer les conditions d'éclairage idéales et à obtenir d'excellentes images grâce à un capteur de haute qualité n'est pas encore tiré d'affaire. En effet, le logiciel doit encore faire son travail. Cette tâche peut être très diverse: sélectionner les pièces pouvant être ramassées par un robot, signaler une pièce défectueuse ou envoyer différentes pièces sur le bon tapis. On peut imaginer des dizaines de processus et chaque application a ses propres particularités, parfois très spécifiques. C'est là que réside la faiblesse de la vision artificielle: il n'existe quasi pas de solutions toutes faites, il faut toujours les perfectionner. Et cela demande du temps et de l'argent, car l'obtention d'un résultat acceptable n'est pas seulement le fruit d'un processus d'essais-erreurs. Elle dépend aussi de la capacité à traiter suffisamment de données. Il est toujours possible de créer des images parfaite, mais cela entraîne un plus gros trafic de données. C'est coûteux et cela a un impact sur la vitesse de traitement. Alignez tous ces obstacles et vous comprendrez pourquoi tous les projets de vision artificielle ne sont pas couronnés de succès.

Le deep learning apporte-t-il une solution?

Pour certaines applications d'inspection, on s'intéresse au deep learning. Cette forme d'intelligence imite les réseaux neuronaux, qui constituent la base de notre cerveau humain. L'objectif est de pouvoir mieux reconnaître certaines erreurs dans les images.Le réseau s'améliore alors continuellement en analysant les décisions prises précédemment. A long terme, une machine peut prendre des décisions autonomes qui approchent, égalent ou même améliorent la précision de l'œil humain. De plus, elle peut le faire à la vitesse autorisée par le matériel et les logiciels, qui est aujourd'hui plus rapide que celle de l'homme.